Генеративные прогнозы траекторий цен для внутридневной торговли электроэнергией

Сводка

В статье представлена генеративная нейросеть для вероятностного прогнозирования внутридневных цен на электроэнергию на непрерывном рынке Германии. Вместо одной точечной оценки метод генерирует возможные траектории цен и использует их для размещения рыночных ордеров на продажу в сценарии торговли с фиксированным объёмом.

Авторы сообщают, что статистические метрики модели сопоставимы с двумя статистическими бенчмарками прогнозирования. В экономической оценке стратегии на основе сгенерированных траекторий цен дают больший прирост прибыли, чем стратегии на основе бенчмарков. В отрывке не указаны архитектура модели, точные правила выставления ордеров, период оценки, учёт транзакционных издержек или величина прироста. Результаты относятся к указанному сценарию на внутридневном рынке Германии и не доказывают, что подход применим к другим рынкам или условиям торговли.

Ключевые идеи

• Модель генерирует вероятностные траектории внутридневных цен на электроэнергию.
• Сгенерированные траектории используются для размещения ордеров на продажу в сценарии торговли с фиксированным объёмом.
• Статистические результаты сравниваются с двумя методами прогнозирования-бенчмарками.
• Согласно статье, торговая прибыль выше у генеративной модели, но в отрывке нет подробностей, необходимых для оценки издержек и применимости результатов к другим условиям.

Теги

# Probabilistic intraday electricity price forecasting using generative machine learning


# Probabilistic intraday electricity price forecasting using generative machine learning









The growing importance of intraday electricity trading in Europe calls for improved price forecasting and tailored decision-support tools. In this paper, we propose a novel generative neural network model to generate probabilistic path forecasts for intraday electricity prices and use them to construct effective trading strategies for Germany's continuous-time intraday market. Our method demonstrates competitive performance in terms of statistical evaluation metrics compared to two state-of-the-art statistical benchmark approaches. To further assess its economic value, we consider a realistic fixed-volume trading scenario and propose various strategies for placing market sell orders based on the path forecasts. Among the different trading strategies, the price paths generated by our generative model lead to higher profit gains than the benchmark methods. Our findings highlight the potential of generative machine learning tools in electricity price forecasting and underscore the importance of economic evaluation.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.